Data-driven business: Информационная основа деятельности современной Компании

Концепция Data-Driven
Business: информационная
основа деятельности
современной компании
Бараков Александр
Сентябрь 2015

2
Какие данные являются значимыми для бизнеса?
Какие значимые данные появятся и будут необходимы бизнесу
через 5,10, 20 лет?
Какие новые виды анализа данных могут трансформировать
принятие решений в вашей отрасли, повысив операционную
эффективность?
Какой набор ПО оптимальным образом будет решать задачи
связанные с хранением, обработкой, анализом данных и
доставкой и информации пользователям?
Какие BI- BigData- решения внедрять, с какими приоритетами?
Какой набор ресурсов (внутренних/внешних) и компетенций
необходимо аккумулировать для запуска и развития системы
бизнес-анализа компании? (Как выбрать интегратора /
консультанта? Какого набирать в штат? Как планировать и
управлять BI-проектами? и т.д.)
Как необходимо трансформировать бизнес-процессы и
корпоративную культуру?
Экспертные
Технические
Организационные
Ключевые вопросы об информации, стоящие перед современной компанией:
Проблематика

Информационная основа деятельности
Эволюция возможностей аналитических систем
3
Предиктивная аналитика
Что произойдет?
Поддержка
решений
Данные
Аналитическая система Вовлечение менеджера
Прескриптивная аналитика
Что делать?
Автоматизация
решений
2020
2010
t
Диагностическая аналитика
Почему это произошло?
Описательная аналитика
Что произошло?
Работа с
данными

4
Прескриптивная
аналитика
Предиктивная
аналитика
Диагностическая
аналитика
• Статистический анализ
• Прогностическое моделирование
• Анализ «Что если?»
• Alerts (уведомления о событиях требующих
действий)
• Data Discovery («путешествие» по связанным
данным, drill down / drill up)
Сложность,бизнес-ценность
• Оптимизационное моделирование (какие
сценарии действий оптимальны?), (тактическое
планирование с учетом влияния множества
факторов и ограничений)
• Симуляция сценариев действий (Каковы
последствия различных вариантов действий с
учетом множества факторов?)
Аналитические инструменты:
Распространенность
Описательная
аналитика
• Стандартные excel-отчеты

5
Предиктивная аналитика
Что произойдет ?
Поддержка
решений
Данные
Аналитическая система Вовлечение менеджера
Прескриптивная аналитика
Что делать?
Автоматизация
решений
2020
2010
t
Диагностическая аналитика
Почему это произошло ?
Описательная аналитика
Что произошло ?
Крупный производитель
дистрибутор (США, Европа)
Работа с
данными
Крупный производитель
дистрибутор (РФ)
Средний производитель-
дистрибутор (РФ)

К 2020 году - трансформация системы управления - концепция «data-
driven business»:
1. Появление бизнес-процесса создания и поддержки в компании сложных
математических моделей анализа и интерпретации данных
2. Парадигма принятия решений, основанных на доказательствах из моделей, с жесткой
связью «предпосылки в данных – решение»
3. Возникновение конкуренции за данные о клиентах: резкое увеличение расходов на сбор
(покупку) и анализ информации о покупателях. Главная задача - собрать как можно больше
данных и научиться как можно точнее их анализировать.
4. Резкое увеличение точности таргетирования. На смену работе с массовой аудиторией
придет адресная персонализированная коммуникация.
5. Распространение явления «предприятие-киборг»: многочисленные программные
решения компании перейдут на уровень высокоинтегрированной, высокоорганизованного
программного продукта масштаба предприятия с элементами автоматизации функций
принятия решений
6. Появление услуг analytics as a service и аутсорсинга профессионального анализа
данных как функции в компании
7. Появление новых должностей:
• Chief Meaning Officer – объединение функций decision и data scientist, IT-менеджера и
организационного антрополога
• Data scientist
• Специалисты по моделированию и автоматизации решений
Концепция «Data-driven business»
6

7
Требуются Data Scientist
Основные цели и задачи – Развитие направления по анализу BIGDATA
больших объемов структурированных и не структурированных данных,
получаемых из информационных система компании (ERP, CRM и др.), интернет
магазина, социальных сетей.
Обязанности:
• Поиск возможностей для монетизации данных
• Программная реализация алгоритмов машинного обучения в т.ч.
исполняемая в распределенной среде
• Оптимизация алгоритмов машинного обучения для получения
моделей с заданными параметрами эффективности
Требования:
• Образование в прикладной статистике, эконометрике или
статистической социологии
• Опыт в data mining, владение методами прикладной статистики:
регрессионного, кластерного анализа, классификации и проверки
гипотез
• Владение статистическими инструментами SPSS или R
• Умение работать с базами данных, знание SQL
• Умение работать со средствами BI и визуализации

8
К 2020 году - трансформация системы управления - концепция «data-
driven business»:
1. Снижение общей
потребности Компании в
менеджерах
2. Повышение доли
деятельности, имеющей
наибольшую бизнес-
ценность: анализ,
представление/
обсуждение, действие
Сбор
Сбор
Хранение
Исследов
ание
Исследов
ание
Хранение
Доступ
Доступ
Анализ
Анализ
Представ
ление
Представление
Действие
Действие
Деят-сть c
меньшей
бизнес-
ценностью
Деят-сть c
наивысшей
бизнес-
ценностью
Затраты
усилий
Настоящее Будущее
(2025)

Предиктивная аналитика в планировании продаж и управлении
запасами
Механизм:
1. Статистический анализ подневных исторических данных по остаткам и
продажам по товарам
2. Фиксация факторов сезонности по группе товаров, фиксация
повторяющихся тенденций, сдвигов, форм корреляций
3. Прогнозирование продаж по товарам / по клиентам
4. Прогнозирование остатков и потребностей в запасах по складам
5. Формирование автоматических рекомендаций по объему и
графику закупок
Эффект: снижение уровня складских запасов, повышение
оборачиваемости запасов, системное снижение неликвидов, повышение
гибкости управления ассортиментом
Предиктивная аналитика в торгово-производственной компании
9

Предиктивная аналитика в управлении продажами/маркетингом
Модель кросс-продаж - автоматическое
(или полуавтомат.) определение товаров,
которые клиент пока не купил, но
сделает это с высокой вероятностью
Механизм:
1. Рекомендует менеджеру товары,
которые будут иметь для его клиента
прямую связь или положительную, но
неочевидную ассоциацию
2. Формирует алгоритмы для
персонализированных рассылок
(SMS, email)
10
Эффект: Увеличение средней суммы заказа, повышение
маржинальности продаж через совмещенное ценообразование

Модель оценки потенциалов
b2b-клиента (склонности к
заказу) на базе Истории
продаж клиента/подобных
клиентов
Эффект:
• Повышение сред. объема
продаж c клиента
• Быстрое выявление
негативных событий (например
закупка у конкурента)
• Повышение точности
производственного
планирования
11

12
Модели сложной сегментации в b2b-сегменте:
• Модель управления жизненным циклом клиента: Активный, постоянный,
уснувший, потерянный
• Модель анализа оттока – клиенты склонные к уходу, лояльные. Анализ
параметров реакции клиента на активность со стороны компании
• Модель управления предложениями клиентам
• Модель увеличения адресности маркетинговых компаний и акций, новых
продуктов
Пример расчетных данных:
• прогнозируемая прибыльность клиента
• прогнозируемая надежность клиента
• лучшее следующее действие для данного клиента (Next Best Action,
NBA)
• Вероятность оттока клиента

13
Предиктивная аналитика в маркетинге
Модели сложной сегментации в b2b-сегменте: RFM-модель
• Recency (давность) — давность сделки, чем меньше времени прошло с
момента последней активности клиента, тем больше вероятность, что
он повторит действие
• Frequency (частота) — количество сделок, чем больше каких-либо
действий совершит клиент, тем больше вероятность того, что он его
повторит в будущем
• Monetary (деньги) — сумма сделок, чем больше денег было потрачено,
тем больше вероятность того, что он сделает заказ
Механизм: анализ перемещений клиентов в течение их жизни между
разными классами RFM и привязка определенных действий менеджера и
типов предложений к тому или иному сценарию перемещений

14
Модели сложной сегментации в b2b-сегменте: RFM-модель

15
• Создание сложных профилей клиентов на
основании истории покупок по карте
лояльности. пример: “молодой отец”,
“любитель дорогих алкогольных напитков”
• Персонализация предложений через
маркетинговые инструменты, например –
СМС со спец предложением купить
определенные товары со скидкой
Модели сложной сегментации в системе лояльности
розничной сети:
Результат: сокращение затрат, увеличение количества
заказов/покупок в расчете на потраченный руб.

• Сегментация держателей карт DIY-сети по статистике покупок для
персонализации маркетинговой активности и управления бонусами
16

17
Предиктивная аналитика в финансовом планировании
• Модели оценки текущей кредитоспособности b2b клиентов: исследование плохих историй
клиентов в CRM-системе и нахождение предупреждающих признаков в поведении
• Модель предиктивного анализа финансового состояния компании, пример: «что если»-
анализ рабочего капитала

Типовые ошибки и
ограничения BI-проектов

Традиционная система управления
19
Мидл-
менеджмент
Топ-
Отчеты, рабочие эксели,
системы и базы данных
Отчеты и системы
Отчеты
Бизнес-
процессы «как-
то» описаны,
«как-то»
актуализируются
Сформулированы
«какие-то» KPI
Внедрена ERP -
система с «какой
то» системой
отчетности
О чем думают? Как часто принимают
значимые решения и
действуют?
Куда смотрят?
Как часто?
О достижении
бизнес-целей
О выполнении
плана и других KPI
поставленных
задач
Исполнители
26

Система управления с BI-системой
27
плана и других KPI
поставленных
задач
Исполнители
Мидл-
Топ-
О чем думают? Как часто принимают
значимые решения и
действуют?
О достижении
бизнес-целей
Отчеты, рабочие эксели,
системы и базы данных
Отчеты и
системы
Куда смотрят?
Как часто?
Отчеты
Бизнес-
процессы «как-
то» описаны,
«как-то»
актуализируются
Сформулированы
«какие-то» KPI
Внедрена ERP + BI-
система
+Мобильный
доступ к BI
BI-система
BI-система
BI-система

Ключевые причины неоптимальности:
1. BI-система внедрялась как копия
прежних отчетов, и не
ориентирована на ускорение
решений и действий пользователя
2. Экспертиза бизнес-анализа («как
действовать, если …») отсутствует,
неоднородна или разнородна в
сознании сотрудников
BI-система
Ошибки и ограничения BI-проектов
29

30

Приоритезация BI-проектов в Компании
31

Факторы эффективности внедрения BI-систем в компаниях:
28
Экспертные
Технические
Организационные
• Готовность системы показателей
• Наличие аналитиков-профессионалов, аналитической
экспертизы и компетенций у менеджмента
• Участие в проекте исполнительного руководства.
• Учет конкурирующих целей
• Готовность к внесению изменений в бизнес-процессы и
систему принятия решений.
• Наличие доступа к данным и информации
• Интеграция BI-системы в существующие процессы
• Постоянный внутренний маркетинг BI-системы
• Налаженное взаимодействия между группой BI-
аналитиков и бизнес-пользователями.
• Предварительная реализация мини-проекта.
• Наличие необходимой аппаратной инфраструктуры
• Возможность масштабирования BI
• Прозрачность и полнота бизнес-аналитики в приложении BI.

Действия
34
1. Оценка текущего состояния системы бизнес-анализа
1.1. Оценка насколько процессы принятия решений сотрудниками основаны
на данных. Распричинивание случаев не data-driven решений:
аналитика есть, но не используется (нет доступа, нет квалификации, не осведомлен)
аналитика есть, но не актуальная
аналитики нет, но данные есть и т.д.
1.2. Выявление зон информационного дефицита (где нехватка в оперативной
аналитике)
В сквозных бизнес-процессах работы с информацией:
• Сбор исходных данных и их детализация
• Алгоритмы анализа и моделирования данных
• Разработка и хранение планов
• Мониторинг, оперативная аналитика и поиск причин
• Элементы предиктивного анализа
• Ключевые сценарии реагирования
В функциональных областях (ключевых бизнес-процессах): управление продажами,
управление запасами, управление ассортиментом, производство и т.д.
1.3. Выявление ошибок в информационных обменах, авторов ручной доработки
отчетов и точек создания параллельных «версий правды»

Действия
36
2. Моделирование СБА «как должно быть» (по каждому бизнес-
процессу):
• Какие ключевые типы решений с какой интенсивностью должны приниматься
менеджером/руководителем на позиции?
• Каких метрик / показателей не хватает? (для оценки операционной
эффективности, достижения KPIs)
• Каких исходных данных не хватает? (объемы, процедуры ввода/сбора)
• Какие аналитические инструменты кому необходимы для оптимальной
реализации целевых сценариев решений и действий
• Какие ключевые сценарии действий типа «если.., то…» должны быть в
первую очередь реализовываться на местах («если ДЗ клиента > Х – стоп
отгрузка» «если прогноз выполнения плана <80% - вызов менеджера к КД не
дожидаясь конца месяца» и т.д.)
• Какие процедуры контроля автоматизируемы? (если менеджер не разу открыл
определённый отчет, не просмотрел уведомление в почте, то ..)
Более подробно – см. Разработка BI-стратегии

Действия
37
3. Планирование трансформации
• План изменения (эволюц./революц.) аппаратной и программной
инфраструктуры сбора, хранения, анализа данных и доставки информации
• Какие BI-системы оптимальны под задачи Компании? Какие BI-инструменты можно
создать без бюджета, и быстро, какие требуют бюджета и времени?
• Какие приложения в BI-системе нужно разрабатывать? для кого? под какие задачи?
• План изменения модели данных Компании
• Ввод и хранение каких данных необходимо наладить, в какие сроки, с каким
приоритетом?
• Какие источники потери качества данных необходимо нейтрализовать?
• План методологического прогресса: Какие процедуры, модели и алгоритмы анализа и
принятия решений необходимо разработать в каких областях и подразделениях, с какими
приоритетами?
• План организационных изменений
• Какой должен быть план развития / замены конкретных рук-лей для соответствия
требованиям к скорости и качеству принятия решений?
• Какой внутренний / внешний штат / организационные решения необходимы Компании
(Бизнес-аналитики, data scientists, программисты, администраторы базы данных, кросс-
функциональный проектный офис типа BICC – BI Center of Competence)

Ключевые зоны развития аналитических приложений в
современной торгово-производственной компании:
Финансы:
• Бюджетирование и
анализ корректировок
бюджетов
• Факторный анализ
• Анализ затрат,
моделирование
себестоимости;
• Анализ рисков
Управление маркетингом:
• Прогнозирование продаж
• Таргетинг маркет.
активности
• Ценообразование
• Сегментация клиентской
базы и разработка
продуктов
Управление запасами и
товародвижением:
• Анализ и прогноз OOS
• Расчет оптимальных
запасов по складам
Производство:
• Планирование производства,
закупок, материалов
• Анализ простоев персонала и
оборудования
• анализ динамики выпуска,
процента брака,
• тайминг операций и потери;
• анализ план-графика
производства в разрезах
Анализ продаж и клиентов:
• Оперативный анализ зон падения
и роста показателей продаж
• План-фактный анализ
• Выявление потенциалов кросс-
продаж
Управление компанией:
• Онлайн-аналитика KPI
• Прогноз значений
показателей KPI
Действия
35

Ключевые зоны развития аналитических приложений в
современной торгово-производственной компании:
Бизнес-процессы планирования
1. Анализ бизнес-процессов и схем принятия решений (как есть)
38
Бюджетирование и
финансовое
планирование
Прогнозирование
спроса
Планирование
запасов
производства
закупок
продаж
Стратегическое
управление

31
Организационные изменения
CDO
CEO
CIOРуководитель
Бизнес-юнита
COO
Админ-ры БД /
сист. админ-ры
data scientistdata steward
Data officers
data owner Analytics owner
business analyst
CMO
business analysts
Business modelers
Архитекторы БД
information
architect
Metadata-администраторы
Dataminers
Data developers

32
Организационные изменения
CEO
Директор по маркетингу
(продуктовому)
COO
data scientist
data owner Analytics owner
CMO= CDO
business analysts = Business modelers
information architect=Dataminers =data
scientist
Data developers (BI)
Архитектор БД=Metadata-
администраторы
CIO
Админ-ры БД /
сист. админ-ры
Категорийный менеджер

Контакты:
Александр Бараков
Бизнес-аналитик / Консультант
ГК "Институт Тренинга - АРБ Про"
Email: aleksandr.barakov@arb-pro.ru
Phone: + 7(812)3268095
Cell: + 7(909)5897302
Skype: barakov.a.a.
www.arb-pro.ru

Data-driven business: Информационная основа деятельности современной Компании

Recommended

Recommended

More Related Content

What's hot

What's hot (19)

Viewers also liked

Viewers also liked (20)

Similar to Data-driven business: Информационная основа деятельности современной Компании

Similar to Data-driven business: Информационная основа деятельности современной Компании (20)

Data-driven business: Информационная основа деятельности современной Компании